在阐述GAN之前，我们先看和GAN原理相似的图灵测试：
在图灵测式中，AI（A） 和一个正常人类（B）一起被关在房间里，房间外有个裁判员（C）通过非接触的方式与房间内的 A 和 B 交流。A，B，C 三者刚好对应于 GAN 中的 Generator，Real Data 和 Discriminator。互相对应的这三者的目标也完全一致：A（Generator）试图生成与 B（Real Data）足够相似的响应，使得 C（Discriminator）无法正确分辨这响应是谁产生的；而 C（Discriminator）的目标则是尽力正确地分辨响应的来源。
生 成 式 对 抗 网 络 (
Generative Adversarial Networks, GAN)
是
2014
年 由
Goodfellow
等人
提出的一种生成式深度学习模型。
在GAN中最重要的就是如下这个优化目标函数：
此公式实质上就是两个优化函数(在GAN中对应生成器G，和判别器D)。拆分上面公式，分别对两个优化函数进行优化:
优化D：
Discriminator 的目标则可以表示为将 判断为真的概率
尽可能小，也即
尽可能大；将真实数据
判断为真的概率
尽可能大。因此它的目标函数可以表示如下：
优化G：
Generator 的目标：当 Discriminator 收到了来自自己的 时，将其判断为真的概率
尽可能大。因此 Generator 的目标函数如下：
引用：
https://blog.csdn.net/liuweizj12/article/details/73741434